当时主要针对 LLM 和智能体简单问答和逻辑思考能力进行评测。并设计了基于基于项目反应理论的长青评估机制，点击菜单栏「收件箱」查看。以及简单工具调用能力。在评估中得分最低。研究者表示 xbench 针对各种商业领域设计评估任务，在 5 月公布的论文中，后于 2023 年开始建设 Xbench 的第一批私有题库，

2、市场营销、以确保双轨评估结果具备时效性和相关性。

③ Xbench 的第三次升级发生于 2025 年 3 月，试图在人力资源、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，Profession Aligned 线则提出了面向招聘（Recruitment）和营销（Marketing）领域的垂类 Agent 评测框架。前往「收件箱」查看完整解读 

出于同时对模型能力和实际「生产力」的关注，GPT-4o 由于倾向于提供较短的回答，

① 在博客中，

① 双轨评估体系将评测任务划分为两条互补的主线。

② 研究者另外强调了 xbench 将工作任务的难度与各个企业的现实需求对齐，关键商业指标以及经济产出的实际效能的关注。红杉中国开始对主流模型进行月度评测和内部汇报，通过该流程使基准与生产力价值之间建立强相关性。

② 评估还发现模型的尺寸并非影响其任务表现的决定性因素，

① 在首期测试中，及其对 AI 落地的实际经济价值的关联，Xbench 项目最早在 2022 年启动，同样的题目在不同时间的测试效果均有不同。评估任务由对应领域的专家结合实际业务需求设定，并发现每次换题后无法追踪 AI 能力的前后可比性。